step_texthash()
创建配方步骤的规范,该步骤将使用哈希技巧将 token
变量转换为多个数字变量。
用法
step_texthash(
recipe,
...,
role = "predictor",
trained = FALSE,
columns = NULL,
signed = TRUE,
num_terms = 1024L,
prefix = "texthash",
keep_original_cols = FALSE,
skip = FALSE,
id = rand_id("texthash")
)
参数
- recipe
-
一个recipe 对象。该步骤将添加到此配方的操作序列中。
- ...
-
一个或多个选择器函数用于选择受该步骤影响的变量。有关更多详细信息,请参阅
recipes::selections()
。 - role
-
对于此步骤创建的模型项,应为它们分配什么分析角色?默认情况下,该函数假定由原始变量创建的新列将用作模型中的预测变量。
- trained
-
指示预处理数量是否已估计的逻辑。
- columns
-
将由
terms
参数(最终)填充的变量名称字符串。在recipes::prep.recipe()
训练该步骤之前,这是NULL
。 - signed
-
逻辑值,指示是否使用带符号的 hash-function 来减少散列时的冲突。默认为 TRUE。
- num_terms
-
一个整数,要输出的变量数量。默认为 1024。
- prefix
-
将作为结果新变量的前缀的字符串。请参阅下面的注释。
- keep_original_cols
-
将原始变量保留在输出中的逻辑。默认为
FALSE
。 - skip
-
一个合乎逻辑的。当
recipes::bake.recipe()
烘焙食谱时是否应该跳过此步骤?虽然所有操作都是在recipes::prep.recipe()
运行时烘焙的,但某些操作可能无法对新数据进行(例如处理结果变量)。使用skip = FALSE
时应小心。 - id
-
该步骤特有的字符串,用于标识它。
细节
特征散列或散列技巧是将文本变量转换为一组新的数值变量。这是通过对令牌应用哈希函数并使用哈希值作为特征索引来完成的。这允许文本的低内存表示。此实现是使用 MurmurHash3 方法完成的。
参数 num_terms
控制哈希函数将映射到的索引数量。这是此转换的调整参数。由于哈希函数可以将两个不同的标记映射到同一索引,因此 num_terms
的值越高,冲突的可能性就越低。
新组件的名称以 prefix
开头,然后是变量名称,最后是由 -
分隔的标记。变量名称用零填充。例如,如果 prefix = "hash"
和 num_terms < 10
,则它们的名称将为 hash1
- hash9
。如果 num_terms = 101
,它们的名称将为 hash001
- hash101
。
整理
当您tidy()
此步骤时,会出现一个包含列terms
(选定的选择器或变量)和value
(术语数)的小标题。
也可以看看
step_tokenize()
将字符转换为tokens
step_text_normalization()
以执行文本规范化。
来自标记的数字变量的其他步骤:step_lda()
、step_tfidf()
、step_tf()
、step_word_embeddings()
例子
library(recipes)
library(modeldata)
data(tate_text)
tate_rec <- recipe(~., data = tate_text) %>%
step_tokenize(medium) %>%
step_tokenfilter(medium, max_tokens = 10) %>%
step_texthash(medium)
tate_obj <- tate_rec %>%
prep()
bake(tate_obj, tate_text)
#> # A tibble: 4,284 × 1,028
#> id artist title year texthash_medium_0001 texthash_medium_0002
#> <dbl> <fct> <fct> <dbl> <int> <int>
#> 1 21926 Absalon Prop… 1990 0 0
#> 2 20472 Auerbach,… Mich… 1990 0 0
#> 3 20474 Auerbach,… Geof… 1990 0 0
#> 4 20473 Auerbach,… Jake 1990 0 0
#> 5 20513 Auerbach,… To t… 1990 0 0
#> 6 21389 Ayres, OB… Phaë… 1990 0 0
#> 7 121187 Barlow, P… Unti… 1990 0 0
#> 8 19455 Baselitz,… Gree… 1990 0 0
#> 9 20938 Beattie, … Pres… 1990 0 0
#> 10 105941 Beuys, Jo… Jose… 1990 0 0
#> # ℹ 4,274 more rows
#> # ℹ 1,022 more variables: texthash_medium_0003 <int>,
#> # texthash_medium_0004 <int>, texthash_medium_0005 <int>,
#> # texthash_medium_0006 <int>, texthash_medium_0007 <int>,
#> # texthash_medium_0008 <int>, texthash_medium_0009 <int>,
#> # texthash_medium_0010 <int>, texthash_medium_0011 <int>,
#> # texthash_medium_0012 <int>, texthash_medium_0013 <int>, …
tidy(tate_rec, number = 3)
#> # A tibble: 1 × 4
#> terms value length id
#> <chr> <lgl> <int> <chr>
#> 1 medium NA NA texthash_DMgi5
tidy(tate_obj, number = 3)
#> # A tibble: 1 × 4
#> terms value length id
#> <chr> <lgl> <int> <chr>
#> 1 medium TRUE 1024 texthash_DMgi5
相关用法
- R textrecipes step_text_normalization 字符变量的标准化
- R textrecipes step_textfeature 计算文本特征集
- R textrecipes step_tokenize_wordpiece 字符变量的Wordpiece标记化
- R textrecipes step_tokenfilter 根据词频过滤标记
- R textrecipes step_tokenize_sentencepiece 字符变量的句子标记化
- R textrecipes step_tokenmerge 将多个令牌变量合并为一个
- R textrecipes step_tf 代币的使用频率
- R textrecipes step_tokenize 字符变量的标记化
- R textrecipes step_tfidf 词频-令牌的逆文档频率
- R textrecipes step_tokenize_bpe 字符变量的 BPE 标记化
- R textrecipes step_lemma 标记变量的词形还原
- R textrecipes step_clean_names 干净的变量名称
- R textrecipes step_word_embeddings 令牌的预训练词嵌入
- R textrecipes step_stem 令牌变量的词干
- R textrecipes step_ngram 从标记变量生成 n-gram
- R textrecipes step_stopwords 过滤标记变量的停用词
- R textrecipes step_pos_filter 令牌变量的语音过滤部分
- R textrecipes step_untokenize 令牌变量的取消令牌化
- R textrecipes step_lda 计算代币的LDA维度估计
- R textrecipes step_clean_levels 清晰的分类级别
- R textrecipes step_sequence_onehot 令牌的位置 One-Hot 编码
- R textrecipes step_dummy_hash 通过特征哈希的指示变量
- R textrecipes show_tokens 显示配方的令牌输出
- R textrecipes tokenlist 创建令牌对象
- R update_PACKAGES 更新现有的 PACKAGES 文件
注:本文由纯净天空筛选整理自等大神的英文原创作品 Feature Hashing of Tokens。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。